본 논문은 부울 만족성 문제(SAT)에 적용된 그래프 신경망(GNN)에 대한 포괄적인 평가와 모델이 다양한 인스턴스로 일반화될 수 있는 메커니즘에 대한 직관적인 설명을 제공합니다. 특히 모델의 현재 상태에 동적으로 적응하는 새로운 최근접 할당 감독 방법을 포함한 여러 가지 훈련 개선 사항을 소개하여 더 큰 해 공간을 가진 문제에 대한 성능을 크게 향상시킵니다. 실험 결과는 순환 신경망 업데이트를 사용한 변수-절 그래프 표현의 적합성을 보여주며, SAT 할당 예측에 대해 좋은 정확도를 달성하면서 계산 요구량을 줄입니다. 기본 GNN을 확산 모델로 확장하여 증분 샘플링을 용이하게 하고 단위 전파와 같은 고전적인 기법과 효과적으로 결합할 수 있습니다. 임베딩 공간 패턴과 최적화 경로 분석을 통해 이러한 네트워크가 MaxSAT의 연속적 완화와 매우 유사한 프로세스를 암시적으로 수행하는 방법을 보여주어 해석 가능한 추론 프로세스를 제공합니다. 이러한 이해는 설계 선택을 안내하고 순환 아키텍처가 훈련 분포를 넘어 추론 시간에 효과적으로 확장할 수 있는 능력을 설명하며, 이를 테스트 시간 확장 실험으로 입증합니다.
